13133 ورقة بحثية
تقدم هذه الورقة البحثية LRR-Bench، وهو معيار اصطناعي لتقييم نماذج الرؤية واللغة في مهام الفهم المكاني المطلق والثلاثي الأبعاد، كاشفةً أن النماذج الحالية تتخلف بشكل كبير عن الأداء البشري وتفشل غالباً تماماً في تحديات الاستدلال المكاني المعقدة.
تقترح هذه الورقة طريقة جديدة، فائقة السرعة، ومفتوحة المصدر للمعايرة المكانية والزمانية بين وحدة قياس القصور الذاتي (IMU) والكاميرا بناءً على تمثيل الحالة في الزمن المنفصل، والتي تتغلب على التكاليف الحسابية العالية للنهج الحالية المعتمدة على الزمن المستمر مع معالجة تحديات المعايرة الزمنية بفعالية.
تقيم هذه الورقة وتدمج مقاييس متعددة لتشابه التمثيل باستخدام نهج دمج شبكة التشابه المعدل لإثبات أن الجمع بين المقاييس المتكاملة يؤدي إلى مقارنات أكثر دقة وذات مغزى بيولوجي لكل من الشبكات العصبية الاصطناعية ونشاط الدماغ مقارنة بالاعتماد على أي مقياس منفرد.
تقدم هذه الورقة البحثية تدريب الاتساق المتوسط (CMT)، وهي مرحلة تدريب وسيطة مبتكرة تعمل على استقرار وتسريع تعلم نماذج خرائط التدفق مثل نماذج الاتساق (Consistency Models) والتدفق المتوسط (Mean Flow)، محققةً جودة توليد فائقة في خطوات معدودة مقارنة بالطرق الحالية مع تقليل تكاليف البيانات والحوسبة بشكل كبير مقارنة بالأساليب القائمة.
يقدم AlignTok استراتيجية محاذاة ثلاثية المراحل تعمل على تكييف المشفرات البصرية التأسيسية سابقة التدريب لتصبح أجهزة ترميز غنية دلالياً، مما يسرع بشكل كبير من تقارب نماذج الانتشار ويحسن جودة توليد الصور مقارنة بمشفرات VAE التقليدية.
تقدم الورقة البحثية Flower، وهو حل تكراري للمسائل العكسية الخطية يستفيد من نماذج التدفق مسبقة التدريب لتقريب أخذ عينات التوزيع البعدي البايزي من خلال عملية ثلاثية الخطوات تتمثل في تقدير الوجهة، وإسقاط الجدوى، وتقدم الوقت، محققاً جودة إعادة بناء هي الأفضل في فئتها مع ثبات المعلمات الفائقة عبر مهام متنوعة.
تقدم هذه الورقة البحثية VIRTUE، وهو نموذج تضمين بصري-تفاعلي عالمي للنصوص والصور يدمج قدرات التجزئة للسماح بمطالبات المستخدم المحددة لمنطقة معينة، محققاً أداءً هو الأفضل في فئته على كل من المعايير القياسية متعددة الوسائط ومهمة استرجاع بصري-تفاعلي جديدة واسعة النطاق.
تقدم هذه الورقة البحثية RewardMap، وهو إطار عمل للتعلم التعزيزي متعدد المراحل يستفيد من مجموعة بيانات ذات مكافأة كثيفة (ReasonMap-Plus) وإشارات مكافأة مدركة للصعوبة للتغلب على تحديات المكافأة المتفرقة، مما يعزز بشكل كبير قدرات الاستدلال البصري دقيق التفاصيل والفهم المكاني للنماذج اللغوية الكبيرة متعددة الوسائط.
يُعد LinVideo إطار عمل للتدريب اللاحق لا يعتمد على البيانات، يحقق تعقيد انتباه بمقدار O(n) في توليد الفيديو من خلال الاختيار التلقائي للطبقات لتحويل الانتباه الخطي عبر نهج التصنيف الثنائي وتوظيف هدف مطابقة التوزيع في أي وقت، مما يؤدي إلى تسريع كبير مع الحفاظ على جودة التوليد.
يقترح MergeMix نموذج تعزيز موحداً يجسّر الفجوة بين الضبط الدقيق الخاضع للإشراف والتعلم المعزز من خلال الاستفيد من تقنية Mixup القائمة على الرموز (token-based Mixup) لتوليد صور متوافقة سياقياً وتحسين هوامش التفضيل، مما يعزز قابلية التوسع والكفاءة والتعميم للنماذج اللغوية الكبيرة متعددة الوسائط.